[論文レビュー] Implicit Geometric Regularization for Learning Shapes

Amos Gropp, Lior Yariv+3 more|arXiv (Cornell University)|Feb 24, 2020

3D Shape Modeling and Analysis参考文献 47被引用数 36

ひとこと要約

この論文は、粗点群から直接高忠実度の implicit neural shape 表現を学ぶための暗黙的幾何正則化を導入し、線形ケースの平面再現と最先端の結果を理論的に示す。

ABSTRACT

Representing shapes as level sets of neural networks has been recently proved to be useful for different shape analysis and reconstruction tasks. So far, such representations were computed using either: (i) pre-computed implicit shape representations; or (ii) loss functions explicitly defined over the neural level sets. In this paper we offer a new paradigm for computing high fidelity implicit neural representations directly from raw data (i.e., point clouds, with or without normal information). We observe that a rather simple loss function, encouraging the neural network to vanish on the input point cloud and to have a unit norm gradient, possesses an implicit geometric regularization property that favors smooth and natural zero level set surfaces, avoiding bad zero-loss solutions. We provide a theoretical analysis of this property for the linear case, and show that, in practice, our method leads to state of the art implicit neural representations with higher level-of-details and fidelity compared to previous methods.

研究の動機と目的

• 法線の有無を問わず、生データ（点群）から直接 implicit neural level set として形状を学習する動機づけ。
• データ上で関数がゼロになり、勾配のノルムが単位になるようネットワークを導く単純な損失を提案し、妥当なゼロレベル集合を得る。
• 線形ケース（平面再現）に関する理論的洞察を提供し、3D形状で経験的に最先端の忠実度を示す。
• 生データスキャンからの3D表面再構成と形状空間学習への応用を紹介。

提案手法

• 形状を MLP f(x;θ) のレベルセットとして表現し、M = {x | f(x;θ) = 0} とする。
• データ項を用いて X でゼロに消えることと、法線が与えられていれば勾配を法線と一致させる項を組み合わせた損失と、勾配のノルムを単位にするアイコナル項を用いる： ℓ(θ)=ℓ_X(θ)+λ E[||∇f(x;θ)||−1]^2。
• ℓ_X(θ) = (1/|I|) Σ_i (|f(x_i;θ)| + τ ||∇f(x_i;θ) − n_i||) で、τ は法線を扱う。
• 標準的なバックプロパゲーションを介して MLP の各層で ∇f を説明・実装する（∇f を計算するネットワークを含む）。
• 平面再現を示す線形モデル解析を提供：勾配降下は悪い臨界点を避け、平面の場合に符号付き距離関数へ収束する。

実験結果

リサーチクエスチョン

• RQ1 生データの点群から直接学習した暗黙的ニューロン表現は、3D supervision なしで高忠実度の表面を生成できるか？
• RQ2 アイコナル勾配ノルム正則化とデータ適合項を組み合わせた正則化は、最適化を妥当な符号付き距離関数へ向けるか？
• RQ3 線形ケースに関する理論的保証は何か、そしてそれらは非線形ネットワークの実践にどう影響するか？
• RQ4 提案手法は生データスキャンからの3D表面再構成と形状空間学習でどのように性能を示すか？

主な発見

モデル	d_C	d_H	d_C^→	d_H^→
Anchor DGP	0.33	8.82	0.08	2.79
Ours (Anchor)	0.22	4.71	0.12	1.32
Daratech DGP	0.20	3.14	0.04	1.89
Ours (Daratech)	0.25	4.01	0.08	1.59
Dc DGP	0.18	4.31	0.04	2.53
Ours (Dc)	0.17	2.22	0.09	2.61
Gargoyle DGP	0.21	5.98	0.062	3.41
Ours (Gargoyle)	0.16	3.52	0.064	0.81
Lord Quas DGP	0.14	3.67	0.04	2.03
Ours (Lord Quas)	0.12	1.17	0.07	0.98

• データ上でゼロとなり、勾配ノルムが単位の単純な損失から得られる暗黙幾何正則化は、滑らかで高忠実度のゼロレベル集合を生む。
• 線形平面モデルでは、十分な正則化 λ が与えられると、ランダム初期化の勾配降下は確率1で平面へ近似した符号付き距離関数へ収束する。
• 平面、球、Bimba における SDF 近似誤差は基準値に対して非常に小さい（Plane 0.003±0.04, Sphere 0.004±0.08, Bimba 0.008±0.11）。
• 表面再構成ベンチマークで、本手法は Chamfer/Hausdorff 指標で 5 model 中 4 model において最先端のベースライン (DGP) を上回る，但しDGP は時に入力表面により適合する。
• 生データスキャンから形状空間を学習する際、本法は潜在コードを用いた多形状訓練をサポートし、既存法（例：SAL）に対して再構成品質で競争力がある。
• このアプローチは、生データからの回帰ベースの SDF 学習と比較して、暗黙表現におけるより高い細部と忠実度をもたらす。